کوپلینگ به بررسی وابستگی آماری میان ویژگی‌های نوسان‌های عصبی، مانند فاز و دامنه، در سیگنال‌های مختلف یا باندهای فرکانسی متفاوت اشاره دارد. این تعاملات را می‌توان در دو سطح اصلی بررسی کرد: هماهنگی میان نوسان‌های نواحی مختلف و تعامل میان ریتم‌های عصبی با فرکانس‌های متفاوت.
انواع مهم کوپلینگ در EEG
۱. هم‌زمانی فاز (Phase Synchronization)
بررسی میزان ثبات اختلاف فاز میان دو سیگنال عصبی، معمولاً در یک باند فرکانسی مشخص. این شاخص می‌تواند اطلاعاتی درباره هماهنگی فعالیت نواحی مختلف مغز فراهم کند. از معیارهای رایج آن می‌توان به PLV، PLI و wPLI اشاره کرد.
۲. کوپلینگ فاز–دامنه (Phase–Amplitude Coupling; PAC)
بررسی ارتباط میان فاز یک نوسان آهسته و دامنه یک نوسان سریع‌تر. برای مثال، ممکن است دامنه فعالیت گاما تحت تأثیر فاز نوسان تتا قرار بگیرد؛ به این معنا که فعالیت سریع در بخش‌های مشخصی از چرخه تتا تقویت شود.
۳. کوپلینگ دامنه–دامنه (Amplitude–Amplitude Coupling; AAC)
بررسی هم‌تغییری دامنه یا پوش دامنه (Amplitude Envelope) دو نوسان با فرکانس‌های متفاوت؛ برای مثال، بررسی اینکه آیا تغییرات دامنه آلفا و بتا در طول زمان با یکدیگر ارتباط دارند یا خیر.
۴. کوپلینگ بین‌فرکانسی (Cross-Frequency Coupling; CFC)
اصطلاحی کلی برای توصیف تعامل میان ویژگی‌های نوسان‌های مغزی در باندهای فرکانسی متفاوت. PAC و AAC از مهم‌ترین الگوهای این دسته هستند. تعامل فاز–فاز میان فرکانس‌های متفاوت نیز در این چارچوب قابل بررسی است.
چرا کوپلینگ اهمیت دارد؟
یکی از فرضیه‌های مهم در علوم اعصاب این است که تعامل میان نوسان‌های آهسته و سریع می‌تواند به هماهنگی پردازش‌های عصبی در مقیاس‌های زمانی متفاوت کمک کند.
برای مثال، در مدل‌های پیشنهادی، فاز تتا می‌تواند با زمان‌بندی تغییرات دامنه گاما ارتباط داشته باشد. چنین الگویی به‌عنوان یکی از سازوکارهای احتمالی سازمان‌دهی فعالیت عصبی در فرایندهایی مانند حافظه، توجه و پردازش اطلاعات مطرح شده است (Canolty & Knight, 2010).
یک نکته مهم در تفسیر نتایج
مشاهده کوپلینگ لزوماً به معنای وجود ارتباط مستقیم میان دو ناحیه مغزی یا اثبات انتقال اطلاعات از یک ناحیه به ناحیه دیگر نیست. پدیده‌هایی مانند هدایت حجمی (Volume Conduction)، ورودی مشترک عصبی و ویژگی‌های شکل موج می‌توانند بر برآورد کوپلینگ اثر بگذارند یا الگوهای ظاهراً معنادار ایجاد کنند.
بنابراین، انتخاب شاخص مناسب، کنترل آرتیفکت‌ها و استفاده از روش‌های آماری معتبر، به‌ویژه آزمون‌های Surrogate، برای تفسیر قابل اعتماد نتایج ضروری است.
منابع منتخب برای مطالعه بیشتر
Canolty, R. T., & Knight, R. T. (2010). The functional role of cross-frequency coupling. Trends in Cognitive Sciences, 14(11), 506–515. https://doi.org/10.1016/j.tics.2010.09.001
Aru, J., et al. (2015). Untangling cross-frequency coupling in neuroscience. Current Opinion in Neurobiology, 31, 51–61. https://doi.org/10.1016/j.conb.2014.08.002
Bastos, A. M., & Schoffelen, J.-M. (2016). A tutorial review of functional connectivity analysis methods and their interpretational pitfalls. Frontiers in Systems Neuroscience, 9, 175. https://doi.org/10.3389/fnsys.2015.00175
Donoghue, T., Schaworonkow, N., & Voytek, B. (2022). Methodological considerations for studying neural oscillations. European Journal of Neuroscience, 55(11–12), 3502–3527. https://doi.org/10.1111/ejn.15361